本發(fā)明涉及故障診斷，具體涉及一種基于車聯網的車輛故障遠程診斷方法。
背景技術：
1、車聯網是指通過無線通信、傳感器、云計算和大數據等先進技術，將車輛、路側設施、交通管理中心以及其他智能設備互聯起來構建的一個智能交通網絡系統，基于車聯網強大的數據傳輸與處理能力，車輛故障遠程診斷技術得以實現。
2、目前的車輛故障診斷方法主要采用實時監(jiān)測與周期性檢測兩種方式。實時監(jiān)測雖然能夠即時捕捉車輛運行狀態(tài)的變化，但在數據傳輸與處理過程中會產生大量實時數據，導致系統負荷急劇上升，容易引發(fā)響應延遲和信息擁堵的問題。同時，頻繁的數據交互對車載硬件和網絡資源構成了嚴峻挑戰(zhàn)。相比之下，周期性檢測在一定程度上減輕了系統的處理壓力，但由于檢測周期較長，其缺乏足夠的實時性，無法及時反映車輛運行中突發(fā)的異常狀況。此外，周期性檢測忽略了環(huán)境因素對車輛的影響，如路況較差時，車輛可能會遭受底盤剮蹭等損傷，而這種外部沖擊往往難以及時通過間隔式數據采集得到有效反饋。
技術實現思路
1、本發(fā)明的目的在于提供一種基于車聯網的車輛故障遠程診斷方法，解決上述技術問題。
2、本發(fā)明的目的可以通過以下技術方案實現：
3、一種基于車聯網的車輛故障遠程診斷方法，包括以下步驟：
4、在道路的預設位置上設置采集點，控制無人機在所述采集點上方采集道路的圖像，基于所述的圖像確定所述采集點的狀況評分，基于所述狀況評分在所述道路上設置邊緣節(jié)點；
5、將相鄰兩個所述邊緣節(jié)點間的道路標記為子路段，將平均狀況評分小于預設值的所述子路段標記為監(jiān)控路段；
6、將所述監(jiān)控路段對應的兩個邊緣節(jié)點按照道路通行方向標記為邊緣節(jié)點b和邊緣節(jié)點b'，道路通行方向為所述邊緣節(jié)點b指向所述邊緣節(jié)點b'；周期性獲取車輛與所述邊緣節(jié)點b間的路程，將所述路程按照時間周順序進行排序，當所述排序單調遞減時，將對應的所述車輛標記為目標車輛；
7、采集所述目標車輛進入所述邊緣節(jié)點b對應的監(jiān)控路段bdy前t時長內的運行數據，記作標準數據，t為預設時長；當所述目標車輛到達邊緣節(jié)點b'時，采集此時所述目標車輛的運行數據，并標記為待定數據；所述目標車輛將所述待定數據和所述標準數據傳輸到所述邊緣節(jié)點b；
8、所述邊緣節(jié)點b基于所述待定數據和所述標準數據判斷所述目標車輛是否存在故障，當存在故障時，所述邊緣節(jié)點b將所述待定數據上傳到云平臺中，所述云平臺根據所述待定數據給出對應的故障原因和處理策略。
9、作為本發(fā)明進一步的方案：基于所述的圖像確定所述采集點的狀況評分包括：
10、獲取所述圖像道路上任意一點的高度信息，計算任意兩點間的高度差值，并確定最大高度差值y1和平均高度差值y2；
11、計算狀況評分,η為預設修正系數。
12、作為本發(fā)明進一步的方案：基于所述狀況評分在所述道路上設置邊緣節(jié)點包括：
13、步驟一：將相鄰兩個岔路口之間的道路標記為路線段，將所述路線段的兩個端點分別標記為端點a1和端點a2，所述路線段的道路通行方向由所述端點a1指向所述端點a2，將所述采集點按照與所述端點a1間的路程的大小進行升序排序，得到第一排序；
14、步驟二：獲取單個所述路線段中最大的狀況評分對應的采集點在所述第一排序中的排序位置d，基于預設的約束條件確定所述第一排序中的第一位置d1和第二位置d2，在所述第一位置和所述第二位置上設置邊緣節(jié)點；
15、步驟三：去除所述第一位置d1和所述第二位置d2間的所述采集點，得到新的第一排序，重復所述步驟一和所述步驟二，設置新的邊緣節(jié)點。
16、作為本發(fā)明進一步的方案：所述第一位置d1滿足以下約束：
17、cd-ci≤δc，i∈[d1，d-1]，ci表示所述第一排序中第i位的所述采集點對應的所述狀況評分，δc表示預設的狀況評分差值；
18、所述第一位置d2滿足以下約束：
19、cj-cd≤δc，i∈[d+1，d2]。
20、作為本發(fā)明進一步的方案：所述云平臺根據所述待定數據給出對應的故障原因和處理策略包括：
21、獲取單個種類所述標準數據的平均值，當存在某一種類的所述待定數據與對應的所述平均值間的差值大于預設的差值閾值時，判定所述目標車輛存在故障；
22、所述云平臺中配置有預訓練的故障識別模型，將所述待定數據輸入到所述故障識別模型中，所述故障識別模型輸出對應的故障原因和處理策略。
23、作為本發(fā)明進一步的方案：獲取預訓練的故障識別模型包括：
24、建立數據集，所述數據集中存儲有數據樣本，單個所述數據樣本為標注故障原因和處理策略的所述運行數據，將所述數據集按照預設比例劃分為訓練集和驗證集；
25、基于深度學習建立故障識別模型，基于所述訓練集和所述驗證集對所述故障識別模型進行訓練和驗證，得到預訓練的故障識別模型。
26、作為本發(fā)明進一步的方案：當所述故障識別模型給出的故障原因和處理策略的置信度小于預設的置信度閾值時，發(fā)送到預設的管理人員進行報錯提示。
27、作為本發(fā)明進一步的方案：所述步驟三中，當新的邊緣節(jié)點與任一已確定的邊緣節(jié)點b1間的路程小于預設的路程閾值時，不設置該邊緣節(jié)點，并以所述邊緣節(jié)點b1代替該新的邊緣節(jié)點。
28、本發(fā)明的有益效果：
29、1）本發(fā)明通過對道路狀況評分進行篩選，僅在路況較差的監(jiān)控路段對車輛進行相對密集的監(jiān)測，同時利用目標車輛判定策略，將真正可能出現故障的車輛作為監(jiān)測重點，大幅減少不必要的數據采集與傳輸，從而兼顧了檢測的及時性與系統資源的高效利用；
30、2）在監(jiān)控路段內，通過邊緣節(jié)點對車輛所上傳的運行數據進行就近的初步故障判定，并僅將異?；蚩梢傻拇〝祿蟼髟贫?，實現邊緣與云端的有效分工，這種分層架構不僅減輕了云平臺對于海量數據的處理壓力，也能顯著降低網絡帶寬占用，從根本上避免全局實時數據同步帶來的網絡擁塞與響應延遲；
31、3）依托無人機采集的圖像信息，通過路面高度差值和評分計算，識別路況惡劣區(qū)域并設置邊緣節(jié)點，以精細化方式標定監(jiān)控路段，當車輛處于此種高風險路段時，因路面沖擊或剮蹭而導致的潛在故障能更早被捕捉；針對路面修繕或交通狀況變化時，系統可以根據最新評分進行動態(tài)調整，既能避免重復部署邊緣節(jié)點造成資源浪費，也能持續(xù)保持監(jiān)控覆蓋的有效性；
32、4）當邊緣節(jié)點檢測到車輛存在故障征兆后，才將待定數據上傳至云平臺，由云端的預訓練故障識別模型作進一步精確診斷，這樣既能發(fā)揮云端高算力與大數據模型的優(yōu)勢，得到更全面、準確的故障原因分析與處理策略，也不會使云平臺陷入過載；
33、綜上，本發(fā)明在兼顧檢測及時性的同時大幅度削減了數據上傳與處理的壓力，并利用邊緣節(jié)點與云平臺協同的方式實現了高效、可靠且具有一定擴展能力的車輛故障遠程診斷，為車輛管理和維護提供了更具針對性和實效性的解決方案。
1.一種基于車聯網的車輛故障遠程診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，基于所述的圖像確定所述采集點的狀況評分包括：
3.根據權利要求1所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，基于所述狀況評分在所述道路上設置邊緣節(jié)點包括：
4.根據權利要求3所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，所述第一位置d1滿足以下約束：
5.根據權利要求1所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，所述云平臺根據所述待定數據給出對應的故障原因和處理策略包括：
6.根據權利要求5所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，獲取預訓練的故障識別模型包括：
7.根據權利要求5所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，當所述故障識別模型給出的故障原因和處理策略的置信度小于預設的置信度閾值時，發(fā)送到預設的管理人員進行報錯提示。
8.根據權利要求2所述的一種基于車聯網的車輛故障遠程診斷方法，其特征在于，所述步驟三中，當新的邊緣節(jié)點與任一已確定的邊緣節(jié)點b1間的路程小于預設的路程閾值時，不設置該邊緣節(jié)點，并以所述邊緣節(jié)點b1代替該新的邊緣節(jié)點。